ytdl-sub项目发布2025.05.31.post2版本:增强视频订阅管理功能
ytdl-sub是一个强大的视频获取和管理工具,它允许用户通过配置文件订阅YouTube等平台的视频内容,并自动将这些内容组织成适合媒体服务器的格式。该项目特别适合需要批量管理视频订阅的用户,如搭建个人媒体库的场景。
最新发布的2025.05.31.post2版本带来了几项重要改进,主要围绕电视节目(TV Show)的组织方式进行了功能增强。这些改进让用户能够更灵活地控制视频的季(Season)和集(Episode)的排序方式。
新增排序配置选项
本次更新的核心功能是引入了对季和集排序方式的定制能力。用户现在可以通过配置文件中的变量来指定不同的排序逻辑:
"~Kids Toys Play":
url: "https://www.youtube.com/@KidsToysPlayChannel"
tv_show_by_date_season_ordering: "upload-year-month"
tv_show_by_date_episode_ordering: "upload-day"
这种配置方式提供了极大的灵活性,用户可以根据自己的媒体库管理需求选择最适合的排序方案。
排序方式详解
ytdl-sub现在支持以下几种排序方式:
-
按上传时间排序:这是最基础的排序方式,根据视频的上传年份、月份或日期来组织季和集。
-
按发布日期排序:新增了对视频发布日期的支持,这对于某些内容可能比上传日期更有意义。例如,电视节目的重播可能会在不同时间上传,但它们的原始播出日期才是用户关心的。
-
混合排序:用户可以为季和集分别选择不同的排序基准,如上例中季按"upload-year-month"而集按"upload-day"。
仅获取近期内容功能增强
与排序功能相辅相成的是"Only Recent"(仅获取近期内容)功能的增强。当用户启用此功能时,系统会根据选择的排序基准来筛选内容。例如,如果选择按发布日期排序,那么系统会基于发布日期来判断哪些内容是"近期"的。
这一改进特别适合那些只想保持媒体库中最新内容的用户,或者存储空间有限的场景。用户可以通过精确控制排序基准来确保系统保留真正有价值的近期内容。
技术实现考量
从技术角度看,这些改进涉及到底层元数据处理逻辑的增强。ytdl-sub现在需要:
- 从视频源获取更多元数据字段,包括上传日期和发布日期
- 实现灵活的排序算法,支持不同字段的组合
- 确保向后兼容,不影响现有用户的配置
- 在各种媒体服务器平台上保持兼容的组织结构
这些改进展示了ytdl-sub作为一个成熟项目的技术深度,它不仅仅是一个简单的获取工具,而是一个完整的视频内容管理系统。
使用建议
对于想要尝试这些新功能的用户,建议:
- 先在小规模订阅上测试新的排序配置
- 观察生成的目录结构和元数据是否符合预期
- 根据实际需求调整排序参数
- 对于大型媒体库,注意排序方式可能影响浏览体验
总的来说,2025.05.31.post2版本的发布进一步巩固了ytdl-sub作为专业视频内容管理工具的地位,为用户提供了更精细的控制能力和更灵活的内容组织方式。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00